Zero Added Loss Multiplexing (ZALM) offers broadband, per channel heralded EPR pairs, with a rich parameter space that allows its performance to be tailored for specific applications. We present a modular ZALM simulator that demonstrates how design choices affect output rate and fidelity. Built in NetSquid with QSI controllers, it exposes 20+ tunable parameters, supports IDEAL and REALISTIC modes, and provides reusable components for Spontaneous Parametric Down Conversion (SPDC) sources, interference, Dense Wavelength Division Multiplexing (DWDM) filtering, fiber delay, active polarization gates, detectors, and lossy fiber. Physics based models capture Hong Ou Mandel (HOM) visibility, insertion loss, detector efficiency, gate errors, and attenuation. Using this tool, we map trade offs among fidelity, link distance, and entangled pairs per use, and show how SPDC bandwidth and DWDM grid spacing steer performance. Using the default configuration settings, average fidelity emains constant at 0.8 but the ebit rate decreases from 0.0175 at the source to 0.0 at 50 km; narrowing the SPDC degeneracy bandwidth increases the ebit rate significantly without affecting fidelity. The simulator enables codesign of source, filtering, and feedforward settings for specific quantum memories and integrates as a building block for end to end quantum network studies.


翻译:零附加损耗复用(ZALM)技术能够提供宽带、每通道可预告的EPR对,其丰富的参数空间允许针对特定应用定制性能。我们提出了一种模块化的ZALM仿真器,用于展示设计选择如何影响输出速率和保真度。该仿真器基于NetSquid平台构建,采用QSI控制器,开放了20多个可调参数,支持IDEAL(理想)和REALISTIC(现实)两种模式,并为自发参量下转换(SPDC)源、干涉、密集波分复用(DWDM)滤波、光纤延迟、主动偏振门、探测器和有损光纤提供了可复用组件。基于物理的模型捕捉了Hong-Ou-Mandel(HOM)可见度、插入损耗、探测器效率、门误差和衰减。利用此工具,我们绘制了保真度、链路距离与每次使用所获纠缠对数量之间的权衡关系图,并展示了SPDC带宽和DWDM栅格间距如何引导性能。在默认配置设置下,平均保真度保持在0.8不变,但ebit速率从源端的0.0175下降至50公里处的0.0;缩小SPDC简并带宽可在不影响保真度的前提下显著提高ebit速率。该仿真器支持针对特定量子存储器的源、滤波和前馈设置的协同设计,并可作为端到端量子网络研究的构建模块集成。

0
下载
关闭预览

相关内容

【CVPR 2021】变换器跟踪TransT: Transformer Tracking
专知会员服务
22+阅读 · 2021年4月20日
【NeurIPS2019】图变换网络:Graph Transformer Network
专知会员服务
112+阅读 · 2019年11月25日
【NeurIPS2019】图变换网络:Graph Transformer Network
误差反向传播——CNN
统计学习与视觉计算组
30+阅读 · 2018年7月12日
RNN | RNN实践指南(2)
KingsGarden
19+阅读 · 2017年5月4日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
46+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
VIP会员
相关VIP内容
相关资讯
【NeurIPS2019】图变换网络:Graph Transformer Network
误差反向传播——CNN
统计学习与视觉计算组
30+阅读 · 2018年7月12日
RNN | RNN实践指南(2)
KingsGarden
19+阅读 · 2017年5月4日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
46+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Top
微信扫码咨询专知VIP会员